AWS再加碼200萬顆GPU，輝達(NVDA)的算力訂單能走到2028年

 

AWS追加200萬顆GPU，部署期延伸至2028年

Amazon(AMZN)旗下AWS與Nvidia(NVDA)擴大長期合作，計畫在2027年至2028年間新增部署200萬顆GPU，涵蓋Blackwell Ultra、Rubin與Rubin Ultra架構。AWS先前已承諾自2026年起安裝100萬顆Nvidia晶片，兩項計畫合計達到300萬顆GPU部署規模。

這個數字反映AWS正在提前鎖定未來數年的AI運算能力。雲端業者採購GPU後，還要同步準備機房、電力、冷卻、網路與儲存系統，因此部署時間跨越多年，也符合大型資料中心的建置週期。

合約金額尚未公開，個別GPU通常可達數萬美元，但架構、系統配置與採購折扣差異很大。目前只能確認採購數量與涵蓋世代，無法直接用單一晶片價格推算Nvidia最終營收。

 

自研Trainium與Nvidia平台將長期共存

AWS持續透過Annapurna Labs開發Trainium AI加速器，同時大幅增加Nvidia GPU。這種配置顯示，超大規模雲端業者會依工作負載、軟體生態與成本效率分配不同晶片，單一架構很難涵蓋所有AI需求。

Nvidia的優勢延伸到完整系統。AWS將導入Vera CPU基礎設施，並與Annapurna Labs合作，把NVLink Fusion及高頻寬記憶體整合到Trainium平台。Nvidia提供互連、記憶體架構與軟體工具，AWS則保留自研晶片的控制權。

這也讓CPU與GPU的比例變化更值得追蹤。AI叢集擴張需要CPU處理資料準備、排程、儲存及網路服務，Vera進入AWS基礎設施後，Nvidia參與的範圍將從加速器延伸到更完整的運算節點。AI伺服器的價值分配，可能逐步由單顆GPU採購轉向整套系統設計。

 

軟體整合提高GPU使用率與客戶黏著度

合作範圍也涵蓋模型服務與資料處理。Nvidia的Nemotron開放模型將進入Amazon Bedrock與SageMaker，企業可透過AWS既有平台進行模型部署、訓練與管理。CUDA-X函式庫則會替Amazon EMR與OpenSearch Service提供GPU加速。

對AWS來說，GPU利用率會直接影響資本支出的回收效率。模型、資料分析與搜尋服務整合得越完整，客戶租用GPU執行個別工作負載的門檻越低，也有利於提高雲端運算使用量。

所有新一代GPU EC2執行個體將繼續使用AWS Nitro系統與彈性網路介面，支援安全隔離、可靠性及網路效能。這些底層能力決定大型AI叢集能否穩定運作，也是AWS把硬體投資轉成雲端收入的重要環節。

 

政府AI工廠與機器人擴大需求場景

AWS與Nvidia另計畫替美國政府建立專用AI工廠，配置10萬顆GPU，服務國家安全相關工作負載。政府需求通常涉及資料隔離、安全規範與專用基礎設施，部署模式與一般公有雲服務有所差異。

Amazon Robotics也將採用Nvidia的物理AI平台，推進倉儲自動化。物理AI需要模型理解環境、規劃動作並控制機器設備，運算需求會同時出現在雲端訓練、模擬系統與邊緣推論。

因此，這份合作涵蓋雲端AI、政府運算與倉儲機器人三類需求。Nvidia取得多年硬體能見度，AWS則提前準備AI服務容量，並用Trainium維持自研晶片選項。後續判斷要看實際部署進度、GPU利用率、AWS資本支出，以及新增算力能否轉成持續成長的雲端收入。